正则基础之——捕获组（capture group）

1 概述

1.1 什么是捕获组

捕获组就是把正则表达式中子表达式匹配的内容，保存到内存中以数字编号或显式命名的组里，方便后面引用。当然，这种引用既可以是在正则表达式内部，也可以是在正则表达式外部。

捕获组有两种形式，一种是普通捕获组，另一种是命名捕获组，通常所说的捕获组指的是普通捕获组。语法如下：

普通捕获组：(Expression)

命名捕获组：(?<name>Expression)

普通捕获组在大多数支持正则表达式的语言或工具中都是支持的，而命名捕获组目前只有.NET、PHP、Python等部分语言支持，据说Java会在7.0中提供对这一特性的支持。上面给出的命名捕获组的语法是.NET中的语法，另外在.NET中使用(?’name’Expression)与使用(?<name>Expression)是等价的。在PHP和Python中命名捕获组语法为：(?P<name>Expression)。

另外需要说明的一点是，除(Expression)和(?<name>Expression)语法外，其它的(?...)语法都不是捕获组。

1.2 捕获组编号规则

编号规则指的是以数字为捕获组进行编号的规则，在普通捕获组或命名捕获组单独出现的正则表达式中，编号规则比较清晰，在普通捕获组与命名捕获组混合出现的正则表达式中，捕获组的编号规则稍显复杂。

在展开讨论之前，需要说明的是，编号为0的捕获组，指的是正则表达式整体，这一规则在支持捕获组的语言中，基本上都是适用的。下面对其它编号规则逐一展开讨论。

1.2.1 普通捕获组编号规则

如果没有显式为捕获组命名，即没有使用命名捕获组，那么需要按数字顺序来访问所有捕获组。在只有普通捕获组的情况下，捕获组的编号是按照“(”出现的顺序，从左到右，从1开始进行编号的 。

正则表达式：(\d{4})-(\d{2}-(\d\d))

上面的正则表达式可以用来匹配格式为yyyy-MM-dd的日期，为了在下表中得以区分，月和日分别采用了\d{2}和\d\d这两种写法。

用以上正则表达式匹配字符串：2008-12-31，匹配结果为：

编号	命名	捕获组	匹配内容
0		(\d{4})-(\d{2}-(\d\d))	2008-12-31
1		(\d{4})	2008
2		(\d{2}-(\d\d))	12-31
3		(\d\d)	31

1.2.2 命名捕获组编号规则

命名捕获组通过显式命名，可以通过组名方便的访问到指定的组，而不需要去一个个的数编号，同时避免了在正则表达式扩展过程中，捕获组的增加或减少对引用结果导致的不可控。

不过容易忽略的是，命名捕获组也参与了编号的，在只有命名捕获组的情况下，捕获组的编号也是按照“(”出现的顺序，从左到右，从1开始进行编号的 。

正则表达式：(?<year>\d{4})-(?<date>\d{2}-(?<day>\d\d))

用以上正则表达式匹配字符串：2008-12-31

匹配结果为：

编号	命名	捕获组	匹配内容
0		(?<year>\d{4})-(?<date>\d{2}-(?<day>\d\d))	2008-12-31
1	year	(?<year>\d{4})	2008
2	date	(?<date>\d{2}-(?<day>\d\d))	12-31
3	day	(?<day>\d\d)	31

1.2.3 普通捕获组与命名捕获组混合编号规则

当一个正则表达式中，普通捕获组与命名捕获组混合出现时，捕获组的编号规则稍显复杂。对于其中的命名捕获组，随时都可以通过组名进行访问，而对于普通捕获组，则只能通过确定其编号后进行访问。

混合方式的捕获组编号，首先按照普通捕获组中“(”出现的先后顺序，从左到右，从1开始进行编号，当普通捕获组编号完成后，再按命名捕获组中“(”出现的先后顺序，从左到右，接着普通捕获组的编号值继续进行编号。

也就是先忽略命名捕获组，对普通捕获组进行编号，当普通捕获组完成编号后，再对命名捕获组进行编号。

正则表达式：(\d{4})-(?<date>\d{2}-(\d\d))

用以上正则表达式匹配字符串：2008-12-31，匹配结果为：

编号	命名	捕获组	匹配内容
0		(\d{4})-(?<date>\d{2}-(\d\d))	2008-12-31
1		(\d{4})	2008
3	date	(?<date>\d{2}-(\d\d))	12-31
2		(\d\d)	31

2 捕获组的引用

对捕获组的引用一般有以下几种：

1) 正则表达式中，对前面捕获组捕获的内容进行引用，称为反向引用；

2) 正则表达式中，(?(name)yes|no)的条件判断结构；

3) 在程序中，对捕获组捕获内容的引用。

2.1 反向引用

捕获组捕获到的内容，不仅可以在正则表达式外部通过程序进行引用，也可以在正则表达式内部进行引用，这种引用方式就是反向引用。

反向引用的作用通常是用来查找或限定重复，限定指定标识配对出现等等。

对于普通捕获组和命名捕获组的引用，语法如下：

普通捕获组反向引用：\k<number>，通常简写为\number

命名捕获组反向引用：\k<name>或者\k'name'

普通捕获组反向引用中number是十进制的数字，即捕获组的编号；命名捕获组反向引用中的name为命名捕获组的组名。

反向引用涉及到的内容比较多，后续单独说明。

2.2 条件判断表达式

条件判断结构在平衡组中谈到过，基本应用和扩展应用都可以在其中找到例子，这里不再赘述，请参考 .NET正则基础之——平衡组。

2.3 程序中引用

根据语言的不同，程序中对捕获组引用的方式也有所不同，下面就JavaScript和.NET进行举例说明。

2.3.1 JavaScript中的引用

由于JavaScript中不支持命名捕获组，所以对于捕获组的引用就只支持普通捕获组的反向引用和$number方式的引用。程序中的引用一般在替换和匹配时使用。

注：以下应用举例仅考虑简单应用场景，对于<a href="javascript:document.write('<b>hello</b>')"/>这种复杂场景暂不考虑。

1) 在Replace中引用，通常是通过$number方式引用。

举例：替换掉html标签中的属性。

<textarea id="result" rows="10" cols="100"></textarea> 

<script type="text/javascript"> 

var data = "<table id=\"test\"><tr class=\"light\"><td> test </td></tr></table>";

var reg = /<([a-z]+)[^>]*>/ig;

document.getElementById("result").value = data.replace(reg, "<$1>");

</script>

//输出

<table><tr><td> test </td></tr></table>

2) 在匹配时的引用，通常通过RegExp.$number方式引用。

举例：同时获取<img…>中的src和name属性值，属性的顺序不固定。参考 一条正则能不能同时取出一个img标记的src和name?

<textarea id="result" rows="10" cols="100"></textarea> 
<script type="text/javascript"> 
var data = [' <img alt="" border="0" name="g6-o44-1" onload="DrawImage" src="/bmp/foo1.jpg" />', ' <img src="/bmp/foo2.jpg" alt="" border="0" name="g6-o44-2" onload="DrawImage" />'] ;
var reg = /<img\b(?=(?:(?!name=).)*name=(['"]?)([^'"\s>]+)\1)(?:(?!src=).)*src=(['"]?)([^'"\s>]+)\3[^>]*>/i;
for(var i=0;i<data.length;i++)
{
    var s = data[i];
    document.getElementById("result").value += "源字符串：" + s + "\n";
    document.write("<br />");
    if(reg.test(s))
    {
        document.getElementById("result").value += "name: " + RegExp.$2 + "\n";
        document.getElementById("result").value += "src: " + RegExp.$4 + "\n";
    }
}
</script>

<!-- var data = [' <img alt="" border="0" name="g6-o44-1" onload="DrawImage" src="/bmp/foo1.jpg" mce_src="bmp/foo1.jpg" />', ' <img src="/bmp/foo2.jpg" mce_src="bmp/foo2.jpg" alt="" border="0" name="g6-o44-2" onload="DrawImage" />'] ; var reg = /<img\b(?=(?:(?!name=).)*name=(['"]?)([^'"\s>]+)\1)(?:(?!src=).)*src=(['"]?)([^'"\s>]+)\3[^>]*>/i; for(var i=0;i<data.length;i++) { var s = data[i]; document.getElementById("result").value += "源字符串：" + s + "\n"; document.write("<br />"); if(reg.test(s)) { document.getElementById("result").value += "name: " + RegExp.$2 + "\n"; document.getElementById("result").value += "src: " + RegExp.$4 + "\n"; } } // -->

2.3.2 .NET中的引用

由于.NET支持命名捕获组，所以在.NET中的引用方式会多一些。通常也是在两种场景下应用，一是替换，一是匹配。

1) 替换中的引用

普通捕获组：$number

命名捕获组：${name}

替换中应用，仍是上面的例子。

举例：替换掉html标签中的属性。使用普通捕获组。

string data = "<table id=\"test\"><tr class=\"light\"><td> test </td></tr></table>";

richTextBox2.Text = Regex.Replace(data, @"(?i)<([a-z]+)[^>]*>", "<$1>");

//输出

<table><tr><td> test </td></tr></table>

使用命名捕获组。

string data = "<table id=\"test\"><tr class=\"light\"><td> test </td></tr></table>";

richTextBox2.Text = Regex.Replace(data, @"(?i)<(?<tag>[a-z]+)[^>]*>", "<${tag}>");

//输出

<table><tr><td> test </td></tr></table>

2) 匹配后的引用

对于匹配结果中捕获组捕获内容的引用，可以通过Groups和Result对象进行引用